Niedawne badania opublikowane w czasopiśmie Scientific Reports rzucają nowe światło na progresję choroby Alzheimera (AD) w zróżnicowanych populacjach, szczególnie w kontekście różnic rasowych i płciowych. Zespół naukowców w Stanach Zjednoczonych opracował zaawansowany model głębokiego uczenia, który pozwala na analizę rozwoju choroby u osób z normalnymi zdolnościami poznawczymi w celu wczesnego wykrycia choroby i opracowania spersonalizowanych metod leczenia. Szczególnie istotne w tym badaniu były wyniki dotyczące czarnoskórych kobiet, u których odnotowano szybsze postępowanie choroby w porównaniu z innymi grupami.
Tło badań
Choroba Alzheimera dotyka miliony ludzi na całym świecie, powodując stopniowe pogorszenie zdolności poznawczych, pamięci oraz zachowania. Wczesne wykrycie choroby daje szansę na optymalizację metod leczenia i spowolnienie jej postępu. Niestety, dotychczasowe badania często skupiają się na osobach z łagodnym upośledzeniem poznawczym (MCI) lub tymi, u których już występują zaawansowane objawy, pomijając osoby asymptomatyczne z normalnymi funkcjami poznawczymi, które mogą być narażone na rozwój AD.
Warto zwrócić uwagę, że osoby należące do mniejszości etnicznych, takie jak mieszkańcy latynoscy oraz czarnoskórzy Amerykanie, są bardziej narażeni na rozwój AD, jednak często są niedostatecznie reprezentowani w badaniach klinicznych. Wynika to z barier społeczno-ekonomicznych, braku zaufania do systemu opieki zdrowotnej oraz trudności logistycznych, co utrudnia zbieranie danych o zróżnicowanych populacjach. Właśnie te wyzwania zainspirowały naukowców do opracowania nowoczesnego modelu opartego na sztucznej inteligencji, który może wykrywać wczesne etapy choroby na podstawie złożonych, zróżnicowanych danych.
Model głębokiego uczenia
Badacze wykorzystali dane z National Alzheimer’s Coordinating Center (NACC) do opracowania modelu głębokiego uczenia z wieloma „głowicami”, który potrafi analizować różnorodne, złożone dane, w tym dane biomedyczne oraz obrazowanie medyczne. Dzięki zaawansowanemu przetwarzaniu i eliminowaniu ewentualnych uprzedzeń w danych, model ten był w stanie analizować informacje od 6 110 uczestników badania, w tym 447 cech, takich jak wiek, płeć, rasa, choroby współistniejące, a także wyniki badań obrazowych.
Model ten, oparty na architekturze sieci neuronowych, takich jak konwolucyjne sieci neuronowe (CNN) oraz sieci pamięci długoterminowej (LSTM), był w stanie skutecznie przewidzieć progresję choroby Alzheimera. Co więcej, model umożliwił podział uczestników na cztery główne grupy: wolno konwertujących, umiarkowanie konwertujących, szybko konwertujących oraz tych, którzy w ogóle nie wykazywali progresji choroby.
Wyniki i dyskusja
Analiza danych wykazała, że czarnoskóre kobiety są szczególnie narażone na szybsze postępowanie choroby Alzheimera w porównaniu do białych kobiet. Co ciekawe, w przypadku czarnoskórych kobiet z grupy „szybko konwertujących” zauważono, że nie przechodziły one przez etap łagodnego upośledzenia poznawczego (MCI), lecz bezpośrednio rozwijały demencję. Dla porównania, białe kobiety częściej przechodzą przez etap MCI, co sugeruje istotne różnice w progresji choroby w zależności od rasy i płci.
W badaniu zidentyfikowano także kluczowe czynniki ryzyka, które wpływają na rozwój AD, w tym obecność genu APOE4, historie udarów, depresji oraz cukrzycy. Model wyraźnie pokazał, że nawet w obrębie jednej grupy rasowej i płciowej istnieje duża zmienność w progresji choroby, co podkreśla złożoność tego problemu.
MRI, choć pomocne, nie było najważniejszym czynnikiem w przewidywaniu przejścia od MCI do demencji, co sugeruje, że inne dane, np. kliniczne i genetyczne, mogą odgrywać większą rolę w przewidywaniu rozwoju choroby.
Podsumowanie
Zastosowanie sztucznej inteligencji w badaniach nad chorobą Alzheimera otwiera nowe możliwości w zakresie wczesnej diagnozy i personalizacji leczenia. Ten nowoczesny model głębokiego uczenia nie tylko przewyższa tradycyjne metody w zakresie dokładności, ale także umożliwia zrozumienie, jak różnorodne czynniki, takie jak rasa i płeć, wpływają na progresję choroby.
Dzięki tym badaniom możemy lepiej zrozumieć, dlaczego niektóre grupy, zwłaszcza czarnoskóre kobiety, są bardziej podatne na szybszą progresję AD. W przyszłości tego rodzaju podejścia mogą stanowić podstawę do opracowania bardziej ukierunkowanych narzędzi diagnostycznych, które pozwolą na wczesne wykrywanie choroby u osób najbardziej narażonych.
Źródła
1. Chang, C. Y., Slowiejko, D., & Win, N. (2024). Prediction and clustering of Alzheimer’s disease by race and sex: A multi-head deep-learning approach to analyze irregular and heterogeneous data. Scientific Reports, 14(1), 1-12. DOI: 10.1038/s41598-024-77829-1
